数据分析工具Pandas

系列文章目录

1.Pandas的数据结构分析

2 . Pandas索引操作及高级索引

3.算术运算与数据对齐

4. 数据排序

5.统计计算与描述

6.层次化索引

7.读写数据操作

---

文章内容

1.Pandas的数据结构分析

Series：一维的数据结构。能够保存任何类型的数据，主要由一组数据和与之相关的索引两部分构成。

class pandas.Series（data = None，index = None，dtype = None， name = None，copy = False，fastpath = False）
 
# 创建Series类对象
ser_obj = pd.Series([1, 2, 3, 4, 5])
 
# 创建Series类对象，并指定索引
ser_obj = pd.Series([1, 2, 3, 4, 5], index=['a', 'b', 'c', 'd', 'e'])
 
#使用dict进行构建
year_data = {2001: 17.8, 2002: 20.1, 2003: 16.5} ser_obj2 = pd.Series(year_data)
 
# 获取ser_obj的索引
ser_obj.index
 
# 获取ser_obj的数据
ser_obj.values
 
# 获取位置索引3对应的数据
ser_obj[3]

DataFrame：二维的、表格型的数据结构。类似于二维数组或表格（如excel）的对象，它每列的数据可以是不同的数据类型。

pandas.DataFrame（data = None，index = None，columns = None， dtype = None，copy = False ）
 
# 创建数组
demo_arr = np.array([['a', 'b', 'c'],
 
                               ['d', 'e', 'f']])
 
# 基于数组创建DataFrame对象
df_obj = pd.DataFrame(demo_arr)
 
#按照指定索引的顺序进行排列
df_obj = pd.DataFrame(demo_arr, columns=['No1', 'No2', 'No3'])
 
# 通过列索引的方式获取一列数据
element = df_obj['No2']
 
# 查看返回结果的类型
type(element)
 
# 通过属性获取列数据
element = df_obj.No2
 
# 查看返回结果的类型
type(element)
 
# 增加No4一列数据
df_obj['No4'] = ['g', 'h']
 
# 删除No3一列数据
del df_obj['No3']

2. Pandas索引操作及高级索引

Pandas中的索引都是Index类对象，又称为索引对象，该对象是不可以进行修改的，以保障数据的安全。

reindex(),:对原索引和新索引进行匹配，也就是说，新索引含有原索引的数据，而原索引数据按照新索引排序。 

用法：DataFrame.reindex（labels = None，index = None， columns = None，axis = None，method = None， copy = True，level = None，fill_value = nan，limit = None，tolerance = None ）

 fill_value参数来指定缺失值

ser_obj.reindex(['a', 'b', 'c', 'd', 'e', 'f'],                   &nbs